[發明專利]一種基于LSTM-CNN和ICBAM長短期特征提取的鋁電解槽溫預測方法

在審

• 申請號: 202310369675.2
• 申請日: 2023-04-10
• 公開（公告）號: CN116307246A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 謝世文;謝永芳;朱燁;陳曉方
• 申請（專利權）人: 中南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/04;G06F18/214;G06F18/2431;G06F18/25;G06N3/0442;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 長沙麓創時代專利代理事務所(普通合伙) 43249
• 代理人: 賈慶

本發明公開了一種基于LSTM?CNN和ICBAM長短期特征提取的鋁電解槽溫預測方法，采用LSTM?CNN作為影響槽溫的長期特征提取方法，首先對數據用LSTM提取長時間相關特征，然后再用CNN提取數據間的局部相關特征，從而得到基于長周期數據的長期深度特征。采用基于2D?CNN和1D?CNN雙流卷積分別提取陽極電流和槽電壓特征，然后基于ICBAM對雙流特征進行注意力加權融合，得到槽溫短期深度特征。為了更好的融合鋁電解生產過程中的長期特征和短期特征這兩種語義和尺度不一樣的特征，利用AAW中的多尺度注意力模塊，充分考慮了特征圖中的全局信息與局部信息，從而能夠提升模型預測的準確率。

技術領域

本發明涉及冶煉領域，具體為一種基于LSTM-CNN和ICBAM長短期特征提取的鋁電解槽溫預測方法。

背景技術

鋁電解技術是通過冰晶石-氧化鋁熔鹽電解法，以氧化鋁(Al2O3)作為原料，以熔融冰晶石(NaF·AlF3)作為電解質，以碳素體作為陽極和陰極，通入強大的直流電后，溫度到達950℃-970℃，在電解槽內的兩極上進行電化學反應后得到鋁液。槽溫是指電解質溫度，電解質溫度是整個鋁電解生產反應時的溫度，其對保證生產效益，提高電解槽壽命，維持電解槽熱場平衡，提高電流效率具有重要的意義。由于實際的工業生產環境是一個強磁場、高溫、高濕、含腐蝕氣體及粉塵的復雜環境，目前在線測量槽溫十分困難，且槽殼內溫度較高，傳統的接觸式測溫設備無法長期工作，導致實際生產中的電解質溫度測量成本高、精度低，且其測量的數值受環境影響以及人為讀數的影響較大。對鋁電解生產數據進行分析并提取槽溫預測相關特征，從而高效、準確地對槽溫進行預測，可提高鋁電解生產過程的生產效率，對實現鋁電解過程的精細化智能控制具有重要意義。

鋁電解槽溫預測是一個涉及到多參數多特征的復雜問題。目前文獻主要通過基于數據驅動的軟測量方法對槽溫進行建模和預測，其涉及的輸入變量主要包括鋁水平、電解質水平、氧化鋁濃度等采樣周期為一天一次的工藝數據，利用支持向量機和BP神經網絡等監督方法對槽溫進行預測。但是，實際的鋁電解生產過程是具有時序特點的，數據間的時序相關性也是用于槽溫預測所必須考慮的特征信息。另外由于鋁電解生產過程時滯大、噪聲強、高耦合，因此原始的槽溫數據具有較的高復雜度，如果采用單一的神經網絡預測模型對原始槽溫進行預測會造成精度不高。

發明內容

本發明的目的在于提供一種基于LSTM-CNN和ICBAM長短期特征提取的鋁電解槽溫預測方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：

一種基于LSTM-CNN和ICBAM長短期特征提取的鋁電解槽溫預測方法，包括如下步驟：

步驟一、選擇得到原始鋁電解的預測輸入數據；預測輸入數據包括長周期數據、短周期數據和對應的槽溫；按照時間序列收集預測輸入數據并并進行歸一化預處理，然后劃分為訓練集和測試集；

步驟二、建立LSTM-CNN和ICBAM長短期特征提取網絡；LSTM-CNN和ICBAM長短期特征提取網絡包括LSTM-CNN模型、ICBAM模型和AAW模型；

步驟三、將訓練集輸入LSTM-CNN和ICBAM長短期特征提取網絡進行訓練，得到訓練好的LSTM-CNN和ICBAM長短期特征提取網絡，其中，訓練集中的長周期數據輸入LSTM-CNN模型提取槽溫的長期深度特征，訓練集中的短周期數據輸入ICBAM模型提取槽溫的短期深度特征，通過AAW模型對長期深度特征和短期深度特征進行融合短期深度特征進行融合得到融合特征；

步驟四、采用測試集對訓練好的LSTM-CNN和ICBAM長短期特征提取網絡進行測試，若預測誤差達到預設要求，則得到最終的LSTM-CNN和ICBAM長短期特征提取網絡，否則收集原始鋁電解的預測輸入數據重新進行步驟三；

步驟五、提取現有的鋁電解的預測輸入數據輸入最終的LSTM-CNN和ICBAM長短期特征提取網絡，預測得到當前的槽溫。